FFA-Net：用于单幅图像去雾的特征融合注意力网络
计算机视觉与模式识别
2019-12-06 v2
摘要
本文中，我们提出一种端到端的特征融合注意力网络（FFA-Net）以直接恢复无雾图像。FFA-Net 架构由三个关键组件构成：1）一种新颖的特征注意力（FA）模块将通道注意力与像素注意力机制相结合，考虑到不同通道特征包含完全不同的加权信息且雾在不同图像像素上分布不均。FA 对不同特征和像素给予不等同对待，这为处理不同类型信息提供了额外灵活性，扩展了 CNN 的表征能力。2）一个由局部残差学习和特征注意力组成的基础块结构，局部残差学习允许通过多个局部残差连接绕过如薄雾区域或低频等较不重要的信息，使主网络架构聚焦于更有效的信息。3）一种基于注意力的不同层级特征融合（FFA）结构，特征权重由特征注意力（FA）模块自适应学习，给予重要特征更多权重。该结构也能保留浅层信息并将其传入深层。实验结果表明，我们提出的 FFA-Net 在定量和定性上均以极大优势超越以往最先进的单幅图像去雾方法，在 SOTS 室内测试数据集上将已发表的最佳 PSNR 指标从 30.23db 提升至 36.39db。代码已发布于 GitHub。
引用
@article{arxiv.1911.07559,
title = {FFA-Net: Feature Fusion Attention Network for Single Image Dehazing},
author = {Xu Qin and Zhilin Wang and Yuanchao Bai and Xiaodong Xie and Huizhu Jia},
journal= {arXiv preprint arXiv:1911.07559},
year = {2019}
}
备注
Accepted by AAAI2020